李宏毅机器学习系列-机器学习介绍

机器学习介绍

人工智能其实早在1950年左右就被提出了，那个时候人们希望机器能跟人一样拥有智慧能做事，最开始就出现了人类设定好规则，机器执行，但是这样的机器永远只是执行人设定的，如果遇到人没设定的情况，就处理不了，于是人们又想，人之所以变得聪明，是因为能不断的学习，那能不能让机器也有学习能力呢？所以提出了机器学习，给机器某种学习方法，让他自己去学习，而深度学习则是属于机器学习的一种，基于神经网络，能够学习更加深层次的东西。

生物的本能

科学家发现河狸筑水坝的情况，发现河狸的这种能力是天生的，只要听到水声，他就想筑坝直到听不到水声，于是科学家就用扬声器去模仿水声，河狸果然做出了相应的行动去防止听到水声。

人类设定好的天生本能

机器的本能是人类给设定好的，比如下面一个例子，要创造一个聊天机器人，如果听到“关闭”，就会把音乐关闭，看似好像没啥问题，但是如果你说不要关闭，他也会去关闭，因为他不是去了解你这句话的意思，而是去判断是否有某个词，所以这样的机器永远只是做一些特定的事，而且没办法处理人类没设定的问题，因此也无法去超越人类了，或许人类可以堆叠起很多的规则给机器来处理，但是毕竟无法穷举，而且有些问题又很复杂，所以这并不是真正的智能。

AI在今天非常火，但是很多的貌似都是假的，其实是用一堆“if else”堆出来的，并不是真正的智能，比如Yann LeCun的FB上发的一个漫画，描述的就是一个销售员说自家的AI机器人有多智能，然后有人就不相信，想看看里面到底是什么，于是把他劈开了，发现里面是一堆“if else”，我们今天所说的当然不是这种智能啦。

机器学习是什么

简单来说就是让机器具有学习能力，举个语音识别机器人的例子，你写程序让机器拥有学习能力，让他去听各种声音来辨别说的是什么，或许他是学习音频的图像特征，或许是音频的时序特征，然后你给他一段没有听到过的“Hello”的声音，希望他能识别出这个就是“Hello”，其实就是一种学习举一反三的泛化能力。

再举一个图像识别的例子，你给机器看了很多动物的照片，比如猴子，猫，狗，然后你给他一只他没看到的猫，希望他可以识别出来这个就是猫。

更加直观的理解就是可以把机器学习看成在寻找一个方法$f$，你给他一个输入，他给你一个输出，你希望他给你的输出是你要的，无论是语音识别，图像识别，走围棋，还是对话系统，都是这个原理。

机器学习框架

那我们要怎么找到那个方法$f$呢？拿图像识别的例子说明下，就是找$f$的过程，我们做做点什么事。
我们希望得到一个方法$f$，输入一个图像，他给我预测一个类别，比如输入是一张猫图片，输出是猫，输入一张狗图片，输出是狗。首先我们先要准备一个方法集合，也就是模型，里面有一堆方法$f_1,f_2...$。比如下图的$f_1,f_2$，明显$f_1$比$f_2$要好很多。

那我们要怎么去衡量哪些方法是好的呢？就需要训练集啦，这些训练集告诉说输入什么样的图像，应该输出什么样的类别。

这下知道了，输入和输出是怎么对应的才算是好的，但是问题又来了，我有那么多方法$f_1,f_2...$，怎么去找出最好的呢，难不成一个个去是过来，穷举下，貌似这个是无穷的，没办法做，所以需要一个算法，把最好的方法叫作$f^{\ast }$给选出来，比如我们经常听到的梯度下降法。所以总结起来机器学习的步骤就是，应该说是监督学习的步骤：
1.准备一堆方法集合$f_1,f_2...$，也就是一堆模型。
2.给定训练集，训练集会告诉方法说，哪些输入输出是好的。
3.用一个算法去找出最好的方法$f^{\ast }$。

这3步也叫做训练，把图像输入到$f^{\ast }$，得到一个类别的过程叫做测试。

其实机器学习概括起来很简单，就像是把大象放进冰箱的步骤，首先把冰箱门打开，然后把大象塞进去，然后关冰箱门，对应的就是定义模型，给定数据集，用算法找出最好的模型：

机器学习Learning Map

主要分为回归问题和分类问题，其实这只是很小一部分，还有很大一部分是其他问题。

回归问题是什么呢，简单来说，就是你给一个输入，我希望得到一个输出是个数值，而且连续的。
比如举PM2.5预测的例子，我有今天，昨天等等的PM2.5的数据，我希望预测明天的PM2.5值，于是我拿以前的数据来学习，得到一个$f$，然后把前两天的数据输入进去，希望他能输出明天的PM2.5值。

而分类问题也差不多，只是输出的离散的，一般分为二分类和多分类的问题，二分类就是输出是两个类别，比如"Yes"或者"No"两个，比如我要预测明天下不下雨，输出就是下雨或者不下雨。对于多分类，就是输出多个类别，比如我希望知道某一张图片里有哪些动物类别，输出就是狗，猫，牛等等。

举个二分类引用的例子，比如谷歌的垃圾邮件分类，先将很多的邮件分成垃圾邮件，和非垃圾邮件，给模型进行训练并获得一个好的模型，之后给模型一个邮件，让他判别是是否是垃圾邮件：

另一方面，从模型上分，我们可以分为线性模型和非线性模型，我们熟悉的Deep Learning就是非线性模型：

监督学习

在有训练集和对应标签的情况下进行训练。
比如图像识别问题，给定了图像和对应的类别：

比如下围棋，其实也就是在那么多的棋盘上，选定一个位置下期，输入是一张棋谱，输出是放在哪个位置上，也可以看成是个分类问题：

半监督学习和迁移学习

当然我们还有半监督学习和迁移学习，有时候只有一部分有标签的数据，另一部分没有，或者只有少量的训练集：

无监督学习

再说无监督学习，在没有数据标签的情况下进行学习，比如要给一堆新闻分类，哪些是体育的类别，哪些是文学，哪些是军事等等。

当然还有画图，给了一堆学习图片，然后让机器自己学着画个图，不过效果貌似很奇怪：

结构化学习

还有一种结构化学习，比如把声音转文字，翻译，人脸识别，并不是简单的分类问题：

强化学习

最后还有很厉害的强化学习，用来打电话，然后训练AlphaGo下围棋，简单来说就是一种不断试错，通过结果的反馈来进行学习：

比如电话接听，监督学习是告诉你，听到别人说什么，你说要说上面，而强化学习是不告诉你任何要说的，你自己来尝试，只告诉你结果好不好，具体怎么做，你自己学着看，这个也比较符合人类的学习过程，没有人告诉你怎么样学习是正确的，只有你自己去尝试，得到了相应的反馈，你才知道好不好，才会做的更好。

AlphaGo下围棋是监督学习和强化学习的结合，通过观察棋谱判断下一步怎么下是监督学习，进行下棋训练时是强化学习：

所以整一个架构应该是这样的，按任何分为回归，分类，结构化学习，按场景分为监督学习，半监督学习，迁移学习，无监督学习，强化学习：

为什么要学习机器学习

虽然大部分工作可能被AI代替，当然也会有新的工作岗位产生，毕竟AI现在还是小，还需要人类培养训练，就想宠物小精灵的里的宠物训练师，宠物很强大，但是也会出现不听话，对付不同的战斗对象也需要不同的系的宠物，所以需要有经验的训练师，AI也是一样，除非有一天AI自己会进化，自己会训练，或许人类存在的意义就小了很多了，不过暂时应该还不会。

总结

本篇只是一个开篇介绍，简单的介绍了下机器学习的一些知识，先了解入个门，能产生兴趣学下去是主要目的。附上简单的思维导图：

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自李宏毅课件，侵删。